Validation et déploiement de capteurs de gaz à effet de serre (CH4) pour la caractérisation de sources industrielles et urbaines

Validation and deployment of greenhouse gas sensors (CH4) for the characterization of industrial and urban sources

• Auteur / Autrice : Rodrigo Andres Rivera Martinez
• Direction : Philippe Ciais, Cécile Mallet, Olivier Laurent, Grégoire Broquet, Diego Santaren
• Type : Thèse de doctorat
• Discipline(s) : Sciences du climat, de l'atmosphère et des océans, terrestres et planétaire
• Date : Soutenance le 10/10/2022
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences de l'environnement d'Île-de-France (Paris ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire des sciences du climat et de l'environnement (Gif-sur-Yvette, Essonne ; 1998-....)
• Partenaire(s) de recherche : référent : Université de Versailles-Saint-Quentin-en-Yvelines (1991-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Géosciences, climat, environnement et planètes (2020-....)
• Jury : Président / Présidente : Lilian Joly
• Jury : Examinateurs / Examinatrices : Jean Sciare, Martina Schmidt, Sabine Crunaire
• Jury : Rapporteurs / Rapporteuses : Lilian Joly, Jean Sciare

Mots clés

Mots clés contrôlés

Apprentissage automatique

Étalonnage

Réseaux de capteurs (technologie)

Zones industrielles

Atmosphère

Méthane

Mots clés libres

Méthane

Flux d'émission

Capteur « low cost »

Anthropique

Étalonnage

Apprentissage automatique

Methane

Emission rate

Low cost sensors

Anthropogenic

Calibration

Machine learning

Résumé

Cette thèse a pour objectif la reconstruction des concentrations de méthane (CH4) atmosphérique à partir des signaux bruts (tension électrique) de capteurs d'oxyde de métal (MOS) à bas coût afin de surveiller les émissions de CH4 sur des sites industriels. Notre stratégie se base essentiellement sur la colocalisation des mesures des capteurs à bas coût avec des instruments de référence de haute précision. Les données de concentration de CH4 des instruments de haute précision sont utilisées comme variable cible pour être reconstruites à partir des mesures brutes de tension électrique issue des capteurs MOS et d'autres prédicteurs. La reconstruction est accomplie avec des modèles d'apprentissage automatique et paramétriques. Il est appliqué aux problèmes très complexes dont la reconstruction des : 1) faibles variations de CH4 dans l'air ambiant du laboratoire, 2) variations rapides et de grandes amplitudes de CH4 sous forme de pics générés artificiellement sur un bac d'essai en laboratoire reproduisant des signaux typiquement observés lors de fuites réelles sur le terrain, et 3) variations rapides et de grandes amplitudes de CH4 mesurées sur le terrain durant une expérience de largage contrôlé de CH4 dans l'atmosphère. La première expérience de laboratoire a révélé une forte influence de la vapeur d'eau sur les mesures des capteurs MOS, ainsi que les bonnes performances du modèle de perceptron multicouches (MLP) pour reconstruire le signal CH4 à partir du signal brut du capteur (Chapitre 2). Les résultats de la deuxième expérience (Chapitre 3) ont montré l'importance du choix du type de capteur pour reconstruire le signal de concentration CH4 avec une précision de 1 ppm (RMSE). Nous avons ainsi mis en avant que les capteurs TGS 2611-C00 ont permis une reconstruction plus précise des pics de CH4 que les capteurs TGS 2611-E00. Une stratégie parcimonieuse d'apprentissage du modèle nous a permis de restreindre l'ensemble des données nécessaires à l'apprentissage de 70% à 25% des données totales sans dégradation des performances pour la reconstruction de pics de CH4. Les performances sur les estimations des flux d'émissions de CH4 lors des largages contrôlés dans l'atmosphère en utilisant les concentrations de CH4 reconstruites à partir des mesures issus des capteurs MOS et une inversion avec un modèle gaussien (Chapitre 4) ont été similaires à celles obtenues à partir des données des instruments de référence à haute précision, avec une erreur moyenne d'estimation des flux d'émission de 25% sur 11 largages et une erreur moyenne de localisation des sources d'émission de 9.5 m. Les résultats de cette thèse constituent une base pour explorer les techniques avancées d'apprentissage automatique pour la reconstruction du signal de concentrations de CH4 à partir du signal brut des capteurs MOS et étudier les informations requises par les modèles d'inversion afin d'offrir les meilleures estimations des flux d'émission et localisation des fuites de CH4.

This PhD aims at reconstructing atmospheric CH4 concentrations from voltage signals recorded by low-cost Metal Oxide Sensors (MOS) for the purpose of monitoring CH4 leaks from an industrial facility. Our strategy is based on the collocation of measurements by low-cost sensors and expensive very high accuracy instruments. The CH4 concentrations data from the high accuracy reference instrument are then used as a target variable to be reconstructed using MOS voltage and other predictors. The reconstruction is performed with both machine learning models and parametric models. It is applied to increasingly complex problems, including the reconstruction of: 1) smooth variations of ambient room air CH4 in a laboratory, 2) fast and large variations of CH4 during concentration spikes generated on a test bench in a laboratory with a typical signature similar to that observed for real world leaks, and 3) fast and large variations of CH4 observed in the field during a dedicated controlled release experiment. The first laboratory experiments revealed a high influence of H2O in MOS sensors, and the reconstruction with a Multilayer perceptron model showed good agreement between the references and the reconstructed room air concentrations (Chapter 2). The results of the second experiment (Chapter 3) showed the importance of the selection of the sensor's type in order to produce reconstructions of CH4 concentration with a 1 ppm accuracy (RMSE). We also discovered that the TGS 2611-C00 sensors provided a more accurate reconstruction of CH4 spikes than the TGS 2611-E00 ones. A parsimonious model training strategy allowed us to restrict the training set from 70% to 25% of the data without a degradation in the reconstruction of the CH4 spikes. Emission of controlled releases from reconstructed CH4 concentrations measured by MOS sensors and the inversion of a Gaussian atmospheric model (Chapter 4) were similar to those inverted from high accuracy reference data, with an average emission rate estimation error of 25% over 11 controlled releases and a location error of 9.5 m. The results of this PhD are the basis to explore advanced techniques based on machine learning to produce accurate estimates of CH4 concentrations, and study the information required by inversion modelling that produced best estimates of the emission rate and location of CH4 leaks.